AI 技能人工智能AI 评测开发工具【免费下载链接】autoresearchClaude Autoresearch Skill — Autonomous goal-directed iteration for Claude Code. Inspired by Karpathys autoresearch. Modify → Verify → Keep/Discard → Repeat forever.项目地址https://gitcode.com/gh_mirrors/auto/autoresearch点击查看免费下载导读本文围绕 Claude Autoresearch Skill 的预测子系统/autoresearch_predict展开深度解读其核心参考文档 predict-personas.md 中定义的五人默认评审团、对抗性角色集、辩论协议与统一输出格式。读者读完后将掌握如何配置与调用多角色预测评审、每个角色的关注点与证据要求、辩论与共识机制的工程实现以及如何将该机制接入 CI/CD 质量门禁与下游命令链。1. Predict Personas 在 Autoresearch 中的定位Autoresearch 的核心循环是modify → verify → keep/discard → repeat但在此之前它提供了一层“预测Predict”能力在实现开始前让一组专业评审角色独立分析你的代码、相互辩论并形成共识结论。这正是predict-personas.md存在的意义——它是预测子系统的“角色说明书”定义了评审团由谁组成、各自关心什么、如何协作、如何产出结论。从 SKILL.md 的子命令表中可以看到/autoresearch_predict的定位是“5 expert personas debate before implementation”实现前的五人专家辩论默认不循环、一次性执行。它解决的典型问题是认知锚定Cognitive anchoring第一个看似合理的假设会挤掉更好的备选方案领域盲区Domain blindness调试视角看不到安全问题安全视角看不到性能问题缺乏对抗压力没有人质疑主导假设直到循环用失败来证明它是错的级联盲区20 个下游症状被误当成 20 个独立问题。一句话概括其设计哲学来自 guide/autoresearch-predict.md第一个假设往往是错的Predict 在迭代开始前先加一层深思熟虑把正确的假设浮出水面。2. 默认角色集五位专业评审predict-personas.md定义了 5 个默认角色每个角色都包含四个维度Focus关注点、Questions要回答的问题、Evidence required证据要求、Red flags危险信号。下表完整保留并整理#PersonaFocus核心问题证据要求危险信号1Software Architect软件架构师系统设计、组件边界、数据流、可扩展性这个设计能扩展吗边界干净吗耦合最小化了吗能撑过 10 倍增长吗file:line 引用、依赖图、耦合度量God 类、循环依赖、泄漏抽象、共享可变状态2Security Analyst安全分析师攻击面、认证/授权、数据保护、注入向量这能被利用吗信任边界被强制了吗数据被净化了吗密钥受保护了吗file:line 引用、攻击场景、跨信任边界的数据流裸 SQL、缺失授权检查、硬编码密钥、未净化的用户输入3Performance Engineer性能工程师延迟、吞吐、资源使用、算法复杂度够快吗最坏情况是什么瓶颈在哪缓存有效吗file:line 引用、复杂度分析、资源估算N1 查询、无界循环、缺失索引、热路径中的同步 I/O4Reliability Engineer可靠性工程师错误处理、故障模式、可观测性、恢复失败时会怎样我们能检测到吗能恢复吗可观测吗file:line 引用、故障场景、恢复路径吞掉的错误、缺失重试、没有熔断器、静默失败5Devils Advocate魔鬼代言人假设、边界情况、隐藏复杂度、可维护性哪些假设是错的最简单的破坏方式是什么这是过度设计吗具体反例、边界情况场景只考虑 happy path 的设计、未经测试的假设、无正当理由的复杂度在 claude-plugin/commands/autoresearch/predict.md 的命令实现中这些角色定义从references/predict-personas.md加载每个角色获得任务描述 代码库知识 该角色专属的评审标准并且角色之间相互隔离no shared context——这是防止相互暗示、保证独立判断的关键约束。值得注意guide 文档中给出了与参考文档略微不同的角色命名Architecture Reviewer、Security Analyst、Performance Engineer、Reliability Engineer、Devils Advocate以及各自的“偏见设定”例如 Devils Advocate 必须对至少 50% 的多数派观点提出质疑见 guide/autoresearch-predict.md。这说明角色定义既有稳定内核关注维度也有可调整的行为参数偏见强度。3. 对抗性角色集--adversarial当需要红队视角时--adversarial参数会用一组敌意评审者替换默认角色。predict-personas.md定义的 5 个对抗角色The Breaker破坏者— 试图让系统崩溃或数据损坏The Cheater作弊者— 寻找绕过规则、滥用功能的方法The Scaler扩容压力测试者— 想象 1000 倍负载找出最先崩溃的环节The Newbie新手用户— 误用每一个 API 并期待它能正常工作The Malicious Insider恶意内部人— 持有合法凭证意图窃取数据。这与 security-checklist.md 中定义的红队角色Security Adversary、Supply Chain Attacker、Insider Threat、Infrastructure Attacker形成互补后者面向 STRIDE/OWASP 安全审计而 predict 的对抗角色更宽泛覆盖崩溃、滥用、扩容、误用、内鬼五类威胁。在 guide/autoresearch-predict.md 中对抗模式的实现略有差异Red Team Attacker、Blue Team Defender、Insider Threat、Supply Chain Analyst、Judge并引入了一名Judge裁判来评估对抗性主张并给出可利用性评分。两处文档都确认对抗模式通过--adversarial开关激活且不会单独保留默认角色的评审计分。实战建议对抗模式最适合上线前安全评审、权限边界复核、依赖链风险排查等场景。例如预部署安全评审命令/autoresearch:predict --adversarial --chain security Scope: src/auth/**, src/api/**, src/middleware/** Goal: Pre-deployment security review4. 辩论协议Debate Protocolpredict-personas.md规定的辩论流程共 6 步这是整个预测机制的核心引擎独立分析每个角色独立分析角色之间不共享上下文置信度上报每个发现附带 0–100% 的置信度分数交叉质询角色之间互相挑战对方的发现综合器聚合去重、消解冲突反羊群检查Anti-herd check若所有角色一致同意综合器必须至少找出 1 条反方论点最终共识按角色归属输出排序后的发现列表。将上述协议映射到 claude-plugin/commands/autoresearch/predict.md 的实现中可以看到完整的 7 阶段执行流程Phase 1: Setup 解析 scope/goal/depth校验配置缺失时交互提问 Phase 2: Reconnaissance 扫描目标文件构建结构化知识文件清单、依赖图、API 面、数据流、测试覆盖 Phase 3: Persona Gen 加载 predict-personas.md生成带角色与偏见的专家 Phase 4: Independent 每个角色独立分析产出 title/severity/confidence/file:line/recommendation Phase 5: Debate 1–3 轮结构化交叉质询 Phase 6: Consensus 去重 冲突消解 反羊群检查 打分排序 Phase 7: Report 输出 summary.md / debate.md 等 Phase 8: Handoff 写 handoff.json按 --chain 触发下游命令两个关键实现细节值得深挖反羊群检测的量化触发条件guide 文档给出了具体的判定公式——当flip_rate 0.8且entropy 0.3同时成立时触发见 guide/autoresearch-predict.md。触发后的处理保留全部少数派发现、在overview.md中标注羊群警告、建议改用--adversarial重跑。发现的优先级打分公式共识阶段的排序规则是severity × average confidence × persona agreement count严重度 × 平均置信度 × 同意该发现的角色数见 claude-plugin/commands/autoresearch/predict.md。每条发现的去重规则为同 file:line 同问题 合并保留最高严重度角色间意见不一致时异见必须被记录而非抹除。5. 输出格式从个人发现到共识结论predict-personas.md定义了统一的两层输出格式这也是 CI 门禁和下游命令链能机器可读消费的基础。每个角色产出的个人发现表### [Persona Name] — [N findings] | # | Finding | Severity | Confidence | File:Line | Recommendation |综合器产出的共识表### Consensus — [N findings after dedup] | # | Finding | Severity | Agreement | Source Personas | Action |对比可见两个表的差异个人表用Confidence置信度字段共识表换成Agreement达成一致的角色数与Source Personas来源角色归属字段——后者直接对应第 4 节的打分公式。在文件层面guide/autoresearch-predict.md 给出了预测运行的完整输出目录结构predict/{YYMMDD}-{HHMM}-{slug}/├── overview.md 执行摘要scope、personas、findings、anti-herd 状态 ├── findings.md 按优先级分数排序的全部发现及证据 ├── hypothesis-queue.md 排好序的可测试假设——供 --chain 下游工具消费 ├── persona-debates.md 每个角色每轮的完整辩论记录 ├── predict-results.tsv 迭代日志 ├── handoff.json 机器可读 schema供下游链工具使用 ├── codebase-analysis.md 知识文件函数、路由、模型 ├── dependency-map.md 知识文件导入图、调用图、数据流 └── component-clusters.md 知识文件逻辑聚类与风险区域其中handoff.json遵循 SKILL.md 中定义的全技能链交接约定版本号、来源source: predict、时间戳、状态COMPLETE/ERROR、发现列表含 severity confidence file:line、配置快照scope/goal/depth。console 层则打印按severity × confidence排序的前 10 条发现见 claude-plugin/commands/autoresearch/predict.md。6. 调用方式与参数速查预测命令支持两种参数风格冒号格式与--flag格式等价完整参数来自 claude-plugin/commands/autoresearch/predict.md参数作用默认值Scope:/--scope glob要分析的文件 glob交互询问Goal:/--goal text所有角色的分析焦点交互询问Depth:/--depth levelshallow/standard/deepstandard--personas N覆盖角色数量3–8随深度而定--rounds N覆盖辩论轮数0–3随深度而定--adversarial切换为红队对抗角色关闭--budget N所有角色发现总数上限40指南文档版本为成本上限 $1.00--fail-on severityCI 门禁达到阈值则退出码非零无--incremental复用已有知识文件只更新变更文件关闭--chain targets/--subcommand完成后顺序交接给下游命令无深度预设来自 guide/autoresearch-predict.md预设角色数辩论轮数适用场景shallow31快速 PR 合理性检查约 90 秒standard52大多数任务——推荐默认deep83重大重构、上线前、安全审计典型调用示例完整继承自 guide 文档# 标准分析并链到 debug /autoresearch:predict --chain debug Scope: src/auth/** Goal: Investigate intermittent 500 errors on POST /login # 浅度安全扫描 /autoresearch:predict --depth shallow Scope: src/api/** Goal: Security vulnerabilities # 深度架构评审 /autoresearch:predict --depth deep Scope: src/** Goal: Architecture review — evaluate splitting into microservices # 完整质量流水线单命令 /autoresearch:predict --chain scenario,debug,fix,ship Scope: src/** Goal: Complete quality pipeline for v2.0 release7. 作为 CI/CD 质量门禁--fail-on severity参数让 predict 的输出可以直接作为 CI 门禁若发现列表中任意条目达到或超过指定严重度阈值critical/high/…命令以非零码退出阻断合并或发布。guide 文档给出的 CI 配置示例YAML 片段- name: Run predict security gate run: | /autoresearch:predict \ --scope src/auth/**,src/api/** \ --goal Security vulnerabilities \ --depth shallow \ --budget 0.50 \ --fail-on critical该门禁的底层可验证性来自第 5 节的标准输出格式——机器可以从共识表中直接解析Severity列并与阈值比较无需依赖自由文本。链式交接predict 的发现会按类型路由到不同下游命令见 guide/autoresearch-predict.md链目标交接内容--chain debug排序后的假设 → 按优先级写测试--chain security安全类发现 → 定向审计向量--chain fix先根因后级联的修复排序--chain ship按 BLOCKER/WARNING/INFO 分类 → 进入发布门禁--chain scenario已确认发现 → 生成场景种子--chain scenario,debug,fix,ship全生命周期零上下文丢失8. 何时使用 vs. 直接上手predict-personas.md的参考文档专注于“角色是什么”而 guide 文档给出了实用的决策边界见 guide/autoresearch-predict.md应该用 predict可以直接动手间歇性故障、存在多个疑似原因栈回溯已精确指向某一行升级后的级联错误3 个彼此独立的 lint 错误含认证与支付的复杂 API单个失败的单元测试需要做架构决策瓶颈已经过剖析、明确指向某处上线前安全评审快速单文件修复经验法则如果你面对同一问题会自然地想咨询两位或更多专家就用 predict。9. 与其他子命令的协作关系Predict 并非孤立模块它与 Autoresearch 技能体系内其他子命令形成闭环参考 SKILL.md 与 guide/autoresearch-predict.mddebug预测 → 实证predict 排序后的假设作为 debug 测试的优先级依据是最主要的链目标security预测 → 审计对抗性 predict 之后做实证安全验证STRIDE OWASP见 security-checklist.mdreason主观决策的对抗细化当预测针对的是主观决策而非代码事实时reason 的盲审法官协议reason-judge-protocol.md提供更严格的盲评收敛机制fix / scenario / ship预测确认的根因进入级联感知的修复发现的边界情况成为场景种子发现分级后参与发布门禁。从源码结构看这套协作的“粘合剂”是标准化的handoff.json与 TSV 结果文件如predict-results.tsv它们保证了无论链上经过多少个命令上下文都不丢失。结语predict-personas.md虽只是一份角色定义参考但它奠定了 Autoresearch 预测子系统的三大支柱多视角独立分析5 个默认角色 5 个对抗角色、有协议的辩论与共识6 步辩论协议 反羊群检查 打分公式、机器可读的输出两级 Markdown 表 结构化产物。配合命令实现中的 8 阶段流程、深度预设、CI 门禁与链式交接它让“实现前先预测”真正可落地、可验证、可自动化。当你的下一个改动同时涉及架构、安全、性能与可靠性时不妨先让五位评审吵一架再动手写代码。延伸阅读本文核心依据为 predict-personas.md命令级实现见 claude-plugin/commands/autoresearch/predict.md技能框架见 SKILL.md更完整的用户指南见 guide/autoresearch-predict.md 与 guide/autoresearch.md。赞分享AI 技能人工智能AI 评测开发工具【免费下载链接】autoresearchClaude Autoresearch Skill — Autonomous goal-directed iteration for Claude Code. Inspired by Karpathys autoresearch. Modify → Verify → Keep/Discard → Repeat forever.项目地址https://gitcode.com/gh_mirrors/auto/autoresearch点击查看免费下载相关推荐基于 Autoresearch Predict多专家人设辩论式代码预分析实战指南基于 Autoresearch Predict多专家人设辩论式代码预分析实战指南 导读 /autoresearch:predict 是 AutoresearcAI 技能人工智能AI 评测开发工具Autoresearch EvalsClaude Autoresearch 迭代结果分析协议全解析Autoresearch EvalsClaude Autoresearch 迭代结果分析协议全解析 Autoresearch 项目Claude AutoreAI 技能人工智能AI 评测开发工具Autoresearch Predict Personas 深度解析Claude Code 中五专家多智能体预测与对抗性辩论协议Autoresearch Predict Personas 深度解析Claude Code 中五专家多智能体预测与对抗性辩论协议 导读 本篇文章聚焦于 ClaAI 技能人工智能AI 评测开发工具上一篇Win11Debloat如何用一个脚本处理 141 个预装应用和 17 项系统开关下一篇Gas Town Reference 全解多智能体工作区管理器的配置、路由与环境体系创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考